跳转至

Bounds on causal effects in $ 2^{K} $ factorial experiments with noncompliance

作者: M Blackwell, N E Pashley
来源: Biometrika
主题: 因果推断
相关性: 8/10
链接: https://doi.org/10.1093/biomet/asaf084

一、核心问题与贡献

①研究了在 $2^K$ 因子实验存在不依从设定下，如何识别与估计依从者平均因果效应（CACE）的问题。②核心方法是将传统多处理工具变量（IV）分析中的强单调性假设放松为偏序约束，并利用线性规划（LP）在有界结局变量下推导 CACE 的非参数识别界。③主要贡献在于提供了弱假设下 CACE 的可行界，避免了传统 IV 估计因单调性假设过强而导致的偏误，并解决了多处理维度下 principal strata 组合爆炸的识别难题。

二、基础设定

  • 核心概念与符号：
  • $Z \in {0,1}^K$：$K$ 个二值因子的随机分配向量。
  • $D(z) \in {0,1}^K$：潜在处理接受向量，表示在分配 $z$ 下实际接受的处理。
  • $Y(d)$：潜在结局，取决于实际接受的处理 $d$。
  • Principal strata（主分层）：由潜在接受向量 ${D(z)}_{z}$ 的取值模式定义的子群（如 complier, defier 等）。
  • CACE：依从者子群上的平均因果效应，如 $\tau_c = E[Y(d') - Y(d) | \text{complier}]$。
  • 关键假设：
  • Ignorability / Randomization：$Z \perp!!!\perp (Y(\cdot), D(\cdot))$，分配独立于潜在结果。
  • Exclusion Restriction：$Y(z, d) = Y(d)$，分配仅通过实际接受的处理影响结局。
  • Relaxed Monotonicity（放松的单调性）：传统 IV 要求 $D_k(1) \ge D_k(0)$ 对所有 $k$ 几乎必然成立（无 defier）。本文将其放松为偏序约束或对违背模式的限制（如允许某些特定维度的 defier，或仅要求随机分配对处理接受存在正向倾向），显著降低了行为假设的严苛度。
  • Bounded Outcome：$Y \in [a, b]$，这是推导非参数界的必要条件。
  • 问题背景：传统多处理 IV 估计（如 Angrist & Imbens, 1995）严重依赖多变量单调性假设，这在因子设计中极易违背（例如，同时被分配到两个处理可能产生拥挤效应导致反向依从）。与 Balke & Pearl (1997)（单处理 LP 界）和 Pashley & Bond (2021)（因子设计主分层）相比，本文的创新在于将 LP 框架扩展至 $2^K$ 设计，并在数学上处理了放宽单调性带来的高维组合约束。

三、主要定理 / 核心结果

  1. 原文陈述：在有界结局 $Y \in [a,b]$ 和放松的单调性约束下，CACE 的 sharp bounds 可通过线性规划求得。目标函数为 CACE 的线性表达，约束条件为主分层概率 $\pi$ 的非负性、归一性及由观测分布与假设导出的线性等式/不等式。
  2. 直观解释：放弃点识别后，参数的可行域由所有与观测数据及弱假设相容的潜在结果分布构成。LP 的极值点对应于最极端的潜在结果分配模式，从而给出 CACE 的最紧上下界。放宽单调性意味着允许更多 principal strata 存在，导致可行域扩大，界变宽，但保证了推断的鲁棒性。
  3. 解决了什么技术难点：解决了 $2^K$ 设计下 principal strata 数量随 $K$ 指数级增长（$2^{2^K}$）导致的组合识别难题。通过将定性的行为假设转化为对 $\pi$ 的线性约束，避免了显式枚举所有 strata 对 CACE 的影响。
  4. 适用条件与局限：必须有界结局变量；界的宽度可能随 $K$ 增加而迅速发散，导致实际指导意义下降；LP 的规模受限于 $K$ 的大小，当 $K$ 较大时计算不可行。

四、证明框架 / 方法设计

  • 证明主干逻辑：构造法与线性规划对偶。
  • 拆解关键逻辑步骤：
  • 参数化潜在结果分布：将所有 principal strata 的联合概率表示为参数向量 $\pi$，满足 $\pi \ge 0, \mathbf{1}^T \pi = 1$。
  • 施加观测约束：将可观测的联合分布 $P(Y, D | Z)$ 表达为 $\pi$ 和条件期望的线性组合，形成等式约束系统。
  • 施加假设约束：将放松的单调性假设转化为对 $\pi$ 中特定元素置零或偏序的线性不等式约束。
  • 构建线性规划：将 CACE 表达为 $\pi$ 和 stratum 内均值的函数，在上述约束下求解极值。
  • 验证 Sharpness：利用 LP 对偶理论或构造具体的潜在结果分布，证明 LP 的解是可被某个数据生成过程实现的紧界。
  • 最关键的技巧性引理或"跳跃点"：如何将高维的 principal strata 组合与观测分布的映射转化为线性约束系统。特别是，放宽单调性后，如何避免引入非线性约束（通过定义偏序关系并将其转化为线性不等式），使得问题仍落在 LP 框架内。
  • 数学工具评价：是 Balke-Pearl 线性规划框架在多处理因子设计下的精巧扩展与组合优化。核心创新在于处理 $2^K$ 带来的组合复杂度与偏序约束的代数化，而非全新的分析框架。

五、与研究者兴趣的关联

  • 连接到哪个子方向：因果推断中的 partial identification 与 sensitivity analysis（针对 IV 核心假设单调性的敏感性分析）。
  • 可借鉴的核心思路：将严格的定性假设（如单调性、排除性限制）转化为参数空间的线性约束，通过线性规划求解可行界。这为设计 sensitivity analysis 提供了标准范式：将假设违背的程度参数化（如允许 defier 比例 $\le \delta$），直接嵌入 LP 约束中，观察界的变动。
  • 值得精读的关键参考文献：
  • Balke & Pearl (1997), "Bounds on treatment effects from studies with imperfect compliance"：LP 方法做 partial identification 的奠基之作，理解本文的数学基底。
  • Angrist & Imbens (1995), "Two-stage least squares estimation of average causal effects..."：多处理 IV 与单调性假设的经典文献，理解为何需要放松假设。
  • Manski (2003), "Partial Identification of Probability Distributions"：理解非参数界与假设收紧/放松的一般哲学。

六、延伸思考与练习

  • 假设扰动：若结局变量 $Y$ 无界（如连续正态分布），LP 框架失效，因为目标函数不再是紧集上的线性规划。此时需要什么新工具？（提示：可能需要矩约束下的半参数界，或引入形状约束如凸性/单调性来限制条件期望的空间）。
  • 开放问题：当 $K$ 较大时，LP 的维度呈指数级增长，如何利用因子设计的结构稀疏性（如只考虑主效应和低阶交互，忽略高阶交互 strata）来降维，使得高维因子设计的 partial identification 在计算上可行？
  • 理解检测题：在 $2^2$ 因子设计中，假设对因子 A 存在单调性，对因子 B 不存在单调性。请写出此时 principal strata 的数量，并说明如何将“对因子 B 不存在单调性”这一宽松假设转化为 LP 中的约束条件（提示：对比完全单调性下哪些 $\pi$ 被置零，现在它们不再为零，但可能受其他偏序约束）。

Maintained by 陈星宇 · Homepage · Source on GitHub